[ENERGY-2021] Machine learning-based model for lithium-ion batteries in BMS of electric/hybrid electric aircraft

논문 전문 : https://onlinelibrary.wiley.com/doi/abs/10.1002/er.6197

[출처] Seyed Reza Hashemi, Ajay Mohan Mahajan, Siamak Farhad, Online estimation of battery model parameters and state of health in electric and hybrid aircraft application, Energy, 10.1016/j.energy.2021.120699, 229, (120699), (2021).https://doi.org/10.1016/j.apenergy.2014.01.066.

 

 

※ The picture and content of this article are from the original paper.

---

[논문요약]
Machine learning-based model for lithium-ion batteries in BMS of electric/hybrid electric aircraft

 

배터리 전기적 등가회로모델중 가장 일반적으로 사용되는 2RC모델의 저항과 커패시터성분을 머신러닝으로 알아내는 것에 대해 서술한 논문입니다.

저는 근본적으로 R_0 , R_1, R_2, C_1, C_2 를 알아내는 방식이 궁금했지만, 아쉽게도 이논문 또한 HPPC로 각각의 값들을 무부하상태에서 얻어낸 후 이 데이터로 학습을 시켜서 Input(ex. SOC, Temperature, C-rate...)에 대한 Regression만 하는 논문이였습니다. 

EIS나 HPPC로 찍은 파라미터값을 그냥 학습시키는것밖에 답이없나.. 싶으면서도 한편으로는 다른 데이터들로 상관관계를 찾아 간접적인 방식으로 파라미터를 얻는 논문을 찾고싶습니다.

 

HPPC로 등가회로의 파라미터를 추출하는 방법론중 가장 잘정리된 논문에대해 리뷰한 글이 있는데, 하기 링크 참조해주시면 되겠습니다.

https://limitsinx.tistory.com/160

[IEEE-2019] A Parameter Extraction Method for the Thevenin Equivalent Circuit Model of Li-ion Batteries

 

Purpose

2RC모델의 총 5가지 파라미터(직렬 저항, 각 병렬연결의 저항/커패시터해서 총 5개)를 HPPC시험을 통해 계산으로 뽑은 이후, SOC, Temperature를 관계성 있는 인자로 채택하여 Input data로 학습을 시키는 논문입니다.

아쉽게도, C-rate, SOH는 반영하지 않는데요 

SOH에따라서도 파라미터들이 급변하는데, SOH의 영향성을 확인하기가 쉽지 않은 관계로, 필자는 논문에 포함시키지 않은듯합니다. 

EIS로 찍어봐도 가장 파라미터에 영향을 많이주는 4대요소로는 SOC/Temperature/SOH/C-rate입니다.

C-rate는 여러개(1C,2C,3C)로 시험을 진행하지만, 머신러닝의 Input data로는 넣지 않는것으로 보아 각 C-rate별로 나오는 파라미터들의 평균값을 목표치로 사용하는듯 합니다.

 

머신러닝 기법은 Neural Network쪽을 사용하는건 아니고, 고전적 기법들인 SVM(Support Vector Machine), GPR(Gaussian Process Regression), Linear Regression 같은 모델을 사용하여, 비교 검증해보는 논문입니다.

 

Contents

 

 

[학습]

일단 상기와 같은 형태로, Battery Data Set을 만듭니다.

즉, SOC와 Temperature에 따른 파라미터들을 HPPC로 모두 각각 일일이 구하여 정리를 하고, 데이터 전처리를 수행하여

학습에 용이하게 정리합니다.

그다음, 3가지 고전적인 머신러닝 Regression 기법으로 학습을 시킵니다.

 

[검증]

실제 부하 패턴의 SOC, Temperature를 기준으로 매번 학습한 모델로부터 파라미터를 뽑아냅니다.

그리고 이 파라미터를 통해 2RC모델 회로해석을 진행하여 단자전압을 추정해내고, 센싱된 실제 단자전압과의 오차를 구하여 모델 추정 정확도를 검증합니다.

 

[활용]

이렇게 2RC모델의 파라미터를 추정하는 머신러닝 모델을 만든 이후, 전압을 제대로 추정할수 있게되면 

배터리의 이상 상태진단의 용도로 활용가능하다고 논문에서 제안합니다.

 

1. 정상 셀에서 HPPC를 통해 얻어낸 파라미터

2. 과충전시킨 셀에서 HPPC를 통해 얻어낸 파라미터(120%충전, 100%방전을 여러 Cycle반복한 셀)

3. 과방전시킨 셀에서 HPPC를 통해 얻어낸 파라미터(120%방전, 100%충전을 여러 Cycle 반복한 셀)

 

상기 1~3번 배터리 셀의 파라미터를 각각 3개의 머신러닝 Regression 모델이 학습해서

현재 내가 가지고 있는 정상상태의 배터리셀이 2번과 3번으로 얻어낸 파라미터로 추정한 단자전압 사이에 존재하면 정상, 해당 범위 바깥에 존재하면 비정상으로 보겠다는 아주 단순한 방식입니다.

 

Results

온도별 파라미터 추정결과

보시면 R_0(internal Resistance)의 경우, 저온에서 가장 높고 고온에서 가장 낮은것을 알 수 있습니다. 즉, 저온일수록 부하각 크게걸린다는것을 의미하죠

B와 D도 일부 역전되는 부분도 있지만, 전체적으로 저항성분은 저온에서 큰것을 확인할 수 있습니다.

반대로, 동일한 시상수(Time constant) = RC 이기에, 저항성분과는 반대로 커패시터 성분은 저온에서 낮고 고온에서 높은것을 확인할 수 있습니다.

 

뽑아낸 파라미터 성분으로 'Contents'에서 설명한 이상진단을 하는 모습입니다.

제 개인적인 생각으로는 이정도로 단자전압이 바뀔정도면, 이렇게 구하지않고 그냥 센싱만해도 다른 셀 대비 편차가 많이나서 셀편차진단으로 충분히 잡을 수 있지 않을까하는데요

그냥 필자도 이렇게 응용할수있지않을까...라고 간단하게 제시하는것 같습니다.

 

저 SOC에서 급격히 변화기울기값이 커지는 OCV그래프

또한, 온도는 10'C/25'C/35'C만 진행했고, SOC는 약 15%정도까지만 방전을 진행했습니다.

NCM 배터리셀을 보면 파라미터 추정 정밀성의 성공여부는 SOC 0~15%구간에서 정해지는데요(OCV 커브 미분값이 급격히 커지는 구간이기 때문입니다.)

이렇게 여러가지 제약사항에 정작 중요한부분은 뺀 이 논문은 저에게는 크게 의미가 없는 논문이였습니다.

 

참조

 

1. Seyed Reza Hashemi, Ajay Mohan Mahajan, Siamak Farhad, Online estimation of battery model parameters and state of health in electric and hybrid aircraft application, Energy, 10.1016/j.energy.2021.120699, 229, (120699), (2021).https://doi.org/10.1016/j.apenergy.2014.01.066.